[發明專利]基于梯度提升決策樹的出行生成預測方法、系統及裝置

有效

• 申請號: 202010823717.1
• 申請日: 2020-08-17
• 公開（公告）號: CN111784084B
• 公開（公告）日: 2021-12-28
• 發明（設計）人: 杜立群;劉斌;鄭猛;張宇;吳丹婷;呂宜生;李志帥
• 申請（專利權）人: 北京市城市規劃設計研究院;中國科學院自動化研究所
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06K9/62
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩;尹文會

本發明屬于人口出行生成預測領域，具體涉及了一種基于梯度提升決策樹的出行生成預測方法、系統及裝置，旨在解決現有出行生成方法不能真實反映輸入值和預測之間的非線性關系且模型檢驗計算量大、結果不直觀的問題。本發明包括：提取待預測區域的各個交通小區的當前出行生成數據的自變量，并進行歸一化處理；通過出行生成預測模型，獲取待預測區域當前的各個交通小區的預測值；對預測值進行反歸一化，獲得待預測區域當前的各個交通小區的預測出行生成數據。本發明能夠準確的反映原始輸入和輸出之間的非線性關系，并且使用平方誤差原理尋找最小劃分特征和劃分點，自動忽略掉冗余的變量，省去了變量的手動篩選過程，具有較高的精度和魯棒性。

技術領域

本發明屬于人口出行生成預測領域，具體涉及了一種基于梯度提升決策樹的出行生成預測方法、系統及裝置。

背景技術

城市交通與城市土地利用間的互動關系決定了不同土地利用布局形態和強度會產生不同類型和強度的社會活動，從而決定不同區域的交通集散量和分布狀況。相應地，交通系統功能效率的高低也直接影響周邊地價、地租和人氣，影響周邊土地功能的實現充分與否。因此，在進行交通規劃中需要深入研究城市土地利用與交通的相互關系，交通出行率是直觀反映這種相互關系的重要指標之一。

城市交通需求預測是城市交通規劃的核心內容之一，是決定城市中交通網絡規模、道路斷面結構和樞紐規模等的重要依據。交通四階段法以居民出行調查為基礎，由出行生成(trip generation/attraction)、交通分布(trip distribution)、交通方式劃分(model split)、交通量分配(traffic assignment)四個階段組成。

出行生成模型是單位時間內某一個交通小區的出行產生量等于家庭端點在這個分區的由家出行數，與起點在這個分區的非由家出行和貨物出行的出行數之和。一次出行有兩個端點：一端為產生端點；另一端為吸引端點。影響產生量的主要因素為人口規模及相關分類，如年齡結構、職業分類、收入水平、擁有交通工具情況等。

傳統的出行生成預測方法包括類型分析法、回歸分析法、增長率法。類型分析方法預測出來的產生量其實沒有包括非由家出行和貨物出行這兩部分，預測數據不全面；而增長率法結果較為粗糙。因此，目前實際工程應用最多的是多元回歸分析法，但是該方法默認了輸入值與預測之間的線性關系，并不能真實反映二者之間的非線性影響及輸入間的耦合關系，且需要對預測模型進行統計性檢驗(顯著性、相關性)，計算量大，結果不夠直觀。

發明內容

為了解決現有技術中的上述問題，即現有出行生成方法不能真實反映輸入值和預測之間的非線性關系且模型檢驗計算量大、結果不直觀的問題，本發明提供了一種基于梯度提升決策樹的出行生成預測方法，該出行生成預測方法包括：

步驟S10，提取待預測區域的各個交通小區的當前出行生成數據的自變量，并進行自變量的歸一化處理，獲得預處理數據；

步驟S20，基于所述預處理數據，通過訓練好的出行生成預測模型，獲取待預測區域的各個交通小區當前的預測值；

步驟S30，對所述預測值進行反歸一化，獲得待預測區域的各個交通小區當前的預測出行生成數據；

其中，所述出行生成預測模型，為梯度提升決策樹模型結構，以決策樹作為基學習器，以模型中所有決策樹輸出之和作為模型的輸出，以平方誤差作為模型預測值與真實值之間的損失函數L，模型訓練方法為：

步驟B10，提取待預測區域的各個交通小區的歷史出行生成數據的自變量和因變量，并進行歸一化處理，根據預設的比例將歸一化后的數據劃分為訓練集和測試集；

步驟B20，基于訓練集的各訓練數據進行N輪出行生成預測模型訓練，在第n輪訓練中，在模型中新增第n棵決策樹，基于損失函數L計算第n輪模型輸出的誤差負梯度值r_(n+1)i；1≤n≤N為當前模型訓練的輪次；